本文首先利用启发式算法对神经网络的层数及结点数都未知的情况下进行了初步的探索，通过不断的变化网络结构寻找具有较大似然的神经网络结构，但该方法不具有很好的稳定性。进一步采用Lee(2003)方法中的无信息先验解决单层神经网络的结点选取问题,在贝叶斯神经网络中大多是通过复杂度较高的分层先验模型实现的, 而无信息先验在贝叶斯方法中则是更为常见的先验之一。该文进一步将约束无信息先验贝叶斯学习运用在在前向神经网络中,并指出其在理论和实际应用中的优势，特别的，可以通过更简单的生死马尔科夫蒙特卡洛(BDMCMC)算法实现，并给出了BDMCMC实现的步骤。最后，利用该算法对股票时间序列数据进行了分析，并进行了预测。